Por que a IA entrega menos para a automação industrial — e como a Tekmont está revertendo isso
- Até 50× mais tokens — projetos de PLC em formato binário podem consumir esse volume frente a código textual equivalente, segundo análise interna da Tekmont com modelos LLM comerciais.
- Mais de 2 milhões de tokens — em testes internos da Tekmont, uma única lógica de média complexidade em formato binário esgotou esse limite, estourando a janela de contexto da maioria dos modelos comerciais.
- Recurso oficial disponível desde 2014 — a Siemens oferece exportação textual de projetos TIA Portal (SimaticML/Openness) há mais de uma década[1][2], mas o setor mal começou a explorá-lo em fluxos com IA.
Hoje, a Tekmont Automação apresenta uma nova prática de comissionamento e suporte que aplica modelos de linguagem (LLMs) a projetos PLC e IHM descompilados, contornando o gargalo estrutural que vem mantendo a automação industrial fora da onda de produtividade da IA generativa.
O paradoxo: profissionais de automação ficaram de fora da onda da IA
A inteligência artificial generativa redesenhou o cotidiano de profissões inteiras nos últimos cinco anos. Programadores, redatores, analistas financeiros e até médicos relatam ganhos consistentes ao incorporar modelos de linguagem ao seu fluxo de trabalho. A automação industrial, no entanto, ficou de fora dessa onda — e o desconforto entre os profissionais da área cresceu.
A Tekmont vem documentando esse padrão em projetos com clientes dos setores siderúrgico, metalúrgico e de manufatura: engenheiros tentam usar IA em análises de causa raiz e param na metade do caminho. A ferramenta explica conceitos, traduz mensagens de erro, sugere checklists genéricos. Mas quando o problema é específico — uma malha PID oscilando em uma linha de galvanização, um drive acusando falha intermitente em uma estação de soldagem — o modelo trava, e o profissional volta para o método tradicional.
A raiz: o pilar invisível que treinou a IA não existe na automação
Os LLMs (Large Language Models) que dominam o mercado foram treinados em volumes massivos de texto — e, mais importante, em trabalhos prontos disponíveis publicamente. Um assistente de programação não é útil apenas porque leu a documentação oficial de uma linguagem; ele é útil porque processou milhões de projetos open source no GitHub, com bugs reais, soluções reais e discussões reais entre engenheiros.
Esse acervo é o pilar invisível da produtividade da IA em desenvolvimento web, análise de dados e produção de conteúdo. Na automação industrial, esse acervo simplesmente não existe — ou existe em uma fração mínima do necessário. Dois fatores estruturais explicam o gargalo.
Código binário e custo computacional
A maioria dos fabricantes de PLC trabalha com formatos compilados, próximos da camada de hardware. Diferente de Python ou JavaScript, um projeto de PLC armazenado em formato nativo é binário ou hexadecimal — algo que o modelo até consegue interpretar, mas a um custo computacional proibitivo.
Quando a janela de contexto enche, dispara o fenômeno conhecido como alucinação: o modelo passa a inventar respostas em vez de raciocinar sobre o material.
Código fechado e ausência de acervo público
O segundo fator é cultural e contratual. A imensa maioria dos projetos de PLC e IHM do mundo é proprietária, protegida por NDAs e mantida atrás de firewalls corporativos. Não há equivalente industrial ao GitHub público — não existe um repositório aberto com milhares de projetos de automação reais que a IA pudesse ter usado para se treinar.
O resultado é uma assimetria brutal: enquanto o modelo conhece intimamente bibliotecas como React ou TensorFlow, tem contato apenas superficial com ambientes como TIA Portal, Studio 5000 ou Unity Pro.
A configuração de IHM agrava o cenário
Configurações de IHM (Interface Homem-Máquina) são feitas predominantemente em ambientes gráficos — telas, botões arrastados, animações vinculadas a tags. Quando o profissional tenta envolver a IA nesse processo, o fluxo depende de capturas de tela e processamento de imagem, o que multiplica novamente o consumo de tokens e reduz a precisão das respostas.
Na prática, a IA tem ajudado o profissional de automação principalmente em diagnósticos genéricos — situações cujo padrão se aproxima do que o modelo aprendeu lendo fóruns públicos como o PLC Talk ou o subreddit r/PLC. Para problemas específicos do projeto do cliente, ele continua cego.
“Não é que a IA seja ruim para automação. É que ela foi treinada de um jeito que praticamente exclui o nosso trabalho. Quando entregamos o projeto descompilado em texto, o modelo finalmente consegue raciocinar sobre a lógica real do cliente, e não sobre teoria genérica de manual.”
— Equipe de Engenharia de Aplicação, Tekmont Automação · Comissionamento e suporte
A solução: descompilação e versionamento textual aplicados ao fluxo da IA
A virada começa em recursos que já existem há mais de uma década, mas foram subutilizados pelo setor. A Siemens disponibiliza desde a versão V13 do TIA Portal, lançada em março de 2014[2], a exportação de projetos em formato textual via SimaticML — padrão XML oficial usado pelo TIA Portal Openness para troca de dados de software, incluindo blocos de programa e telas HMI[1]. A capacidade foi ampliada em versões seguintes (XML-Import de blocos LAD/FBD/GRAPH passou a ser suportado a partir da V14)[1] e segue em evolução até a versão atual, V20, de novembro de 2024[2].
O recurso foi pensado originalmente para permitir versionamento em Git e revisão entre engenheiros. Mas combinado com pipelines modernos de IA, ele abre uma porta que a indústria mal começou a explorar: entregar ao modelo o projeto em texto, dentro da janela de contexto, e permitir que ele raciocine sobre a lógica real do cliente.
Resultado em projetos da Tekmont
A Tekmont incorporou essa abordagem na metodologia de comissionamento e suporte. Análises de causa raiz e revisões de lógica passaram a ser apoiadas por modelos LLM lendo o projeto descompilado, com ganhos perceptíveis no tempo de resposta a falhas críticas em planta. A janela de contexto deixou de ser engolida por bytes binários e passou a processar lógica de fato.
A discussão de fundo, no entanto, ultrapassa a ferramenta: o quanto o modelo histórico de código fechado está custando à evolução da automação industrial? A engenharia de software escalou produtividade na velocidade que escalou em parte porque adotou colaboração, código aberto e formatos textuais como padrão. A automação seguiu o caminho oposto por décadas — e pode estar pagando o preço de ficar de fora do maior salto de produtividade da geração.
Quer aplicar IA aos seus projetos de PLC e IHM?
Fale com a engenharia da Tekmont — apoiamos comissionamento, análise de causa raiz e revisão de lógica com fluxos baseados em LLM aplicados a projetos descompilados.
Sobre a Tekmont Automação
Fundada em 2009, a Tekmont Automação atua em projetos de automação industrial, integração de sistemas e TI industrial para clientes nos segmentos siderúrgico, químico, alimentício e automotivo.
Contato imprensa e comercial: [email protected]
Fontes
- TIA Portal Openness API — Version-specific SimaticML Import — docs.tia.siemens.cloud · acessado em 26/04/2026
- History of Siemens TIA Portal — release dates — antomatix.com · acessado em 26/04/2026
